Page 16 - 电力与能源2022年第五期

3 7 8 徐呈程, 等: 基于神经网络预测的配电网光伏消纳能力评估方法

图 4 节点 7 某开关 6 月 29 日实际负荷曲线与预测曲线比较
得到当 日 各 个 时 间 点 光 伏 出 力 最 优 估 计。 以
29 日为例, 根据气象数据, 上海奉贤地区当日日
出、 日落时间分别为上午 5 点和下午 7 点, 则根据
第 3 节所述方程求得各时刻、 各节点的光伏最大
允许出力。由此, 可以得到对于配电网当日的光
伏消纳能力评估。以实际负荷数据估计和以预测
负荷数据估计的光伏消纳能力见表 2 。通过比较
图 2 配电网光伏消纳能力评估流程
可以发现, 两者数据接近, 表明整体模型可以提供
构如图 3 所示。 针对配电网光伏消纳能力的准确评估。
表 1 各节点负荷预测均方误差( MSE )
日期 节点 0 节点 1 节点 2 节点 3 节点 7 节点 8
6 月 27 日 0.034 0.025 0.050 0.011 0.073 0.066
6 月 28 日 0.032 0.031 0.023 0.012 0.091 0.062
6 月 29 日 0.051 0.019 0.045 0.009 0.054 0.098
表 2 6 月 29 日配电网光伏消纳能力评估比较 MW
总负荷 总消纳能力 实时最大 实时最小
参数
( 24h ) ( 24h ) 消纳能力 消纳能力
图 3 配电网网络拓扑图 实际负荷评估 28.018 9.683 0.682 0.601
预测负荷评估 29.571 9.678 0.678 0.622
该系统节点 0 通过变压器连接主网。其中,
在节点 8 处安装有光伏发电装置。以下所求光伏 5 结语
出力和系统光伏消纳能力评估均以此光伏以外的 针对大规模光伏接入的配电 网 运 行 不 稳 定
新接光伏接入量测算。所有负荷处理数据以标幺 性, 以及无法针对特定情况( 如气候变化、 用电发

值计算, 基准功率为 1.2MW 。 展等) 下的配电网光伏消纳能力进行准确评估的
4.2 算例分析 问题, 本文提出了二阶段光伏消纳能力评估方法。
以各节点 5 — 6 月的 30min负荷数据为训练 首先利用循环神经网络得到配电网未来短期的预

数据, 对各节点负荷曲线建立循环神经网络模型, 测负荷, 然后, 针对光伏出力不稳定性的情况, 进
并预测 6 月 27 — 29 日每日 24h 各节点负荷值。 一步考虑功率转移下的配电网运行稳定性, 以此
节点 7 某开关 6 月 29 日的负荷预测曲线与实际 建立配电网光伏消纳能力评估模型。整体评估架

负荷曲线比较结果如图 4 所示。 构为更好估计实际光伏容量并规划未来配电网提
由图 4 可以看到, 负荷预测的结果与实际结 升方向提供了现实的指导方针。最后, 以上海市
果基本接近, 预测结果基本可以代表当日负荷使 奉贤区某配电系统为算例的模拟分析佐证了本文

用情况。各节点每日负荷预测均方误差( MAE )
方法的可操作性与准确性。
如表 1 所示, 各值均低于 0.1 , 可以认为模型泛化 参考文献:
较好, 可以发掘深层负荷特征。
[ 1 ] 王 璟,蒋小亮,杨 卓,等 . 光伏集中并网电压约束下
配电网光伏消纳能力根据预测的各节点负荷 的准入容量与电压波动的评估方法[ J ] . 电网技术, 2015 ,
数据, 利用 CPLEX 求解相应混合整数优化方程 39 ( 9 ): 2450-2457.